CN106326928B - 一种目标识别方法及设备 - Google Patents
一种目标识别方法及设备 Download PDFInfo
- Publication number
- CN106326928B CN106326928B CN201610716277.3A CN201610716277A CN106326928B CN 106326928 B CN106326928 B CN 106326928B CN 201610716277 A CN201610716277 A CN 201610716277A CN 106326928 B CN106326928 B CN 106326928B
- Authority
- CN
- China
- Prior art keywords
- probability
- belongs
- characteristic parameter
- characteristic
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种目标识别方法及设备,提供一种识别数据所对应的对象的方式。该方法包括:将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率;确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象。
Description
技术领域
本发明涉及目标识别技术领域,尤其涉及一种目标识别方法及设备。
背景技术
在实际应用中,目标对象上可以设置多个传感器,不同的传感器采集的数据可以用于表征目标对象的不同属性。对于有多个目标对象的情况,传感器的数量以及传感器所采集的数据所表征的属性等就会更多,在获得一个传感器所采集的数据后,一般需要确定该传感器是属于哪个目标对象的,即识别该传感器所采集的数据表征的是哪个对象的属性,对于此,目前尚无较好的识别方式。
发明内容
本发明实施例提供一种目标识别方法及设备,用于提供一种识别数据所对应的对象的方式。
第一方面,提供一种目标识别方法,所述方法包括:
将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;
若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率;
确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象。
可选的,在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,还包括:
若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都为1,确定所述存储的多个特征参数中支持度最大的特征参数所对应的目标对象为所述第一特征参数所属的对象。
可选的,在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,还包括:
若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都小于1,确定所述存储的多个特征参数中置信度最大的特征参数所对应的目标对象为所述第一特征参数所属的对象。
可选的,在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,还包括:
若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中的第二特征参数的置信度为1,确定所述第二特征参数所对应的目标对象为所述第一特征参数所属的对象;其中,所述存储的多个特征参数中除所述第二特征参数之外其他的每个特征参数的置信度均小于1。
可选的,在根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率之前,还包括:
建立贝叶斯网络模型;其中,所述贝叶斯网络模型的父节点代表所述至少一个目标对象的属性,所述贝叶斯网络模型的子节点代表待识别的特征参数;
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率,包括:
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个目标对象的所述至少一个实际概率。
可选的,在建立贝叶斯网络模型之后,还包括:
根据所述贝叶斯网络模型获取所述第一特征参数在预设的持续时长的转移概率;所述转移概率用于指示所述第一特征参数所属的对象发生改变的概率;
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率,包括:
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率、所述至少一个目标对象的先验概率及所述转移概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个目标对象的所述至少一个实际概率。
可选的,在确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象之后,还包括:
将待识别的第三特征参数的第一信息是否与所述第一特征参数的第一信息一致;所述第一信息用于指示特征参数所对应的属性;
若所述第三特征参数的第一信息与所述第一特征参数的第一信息一致,则确定所述第一特征参数所属的对象为所述第三特征参数所属的对象。
可选的,在确定所述第一特征参数所属的对象为所述第三特征参数所属的对象之前,还包括:
确定所述第一特征参数所属的对象为第一对象的置信度是否为1;
确定所述第一特征参数所属的对象为所述第三特征参数所属的对象,包括:
若所述第一特征参数所属的对象为所述第一对象的置信度为1,则确定所述第一对象为所述第三特征参数所属的对象。
第二方面,提供一种目标识别设备,包括:
存储器,用于存储指令;
处理器,用于调用所述存储器存储的指令,将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率;确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象;其中,每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度。
可选的,所述处理器还用于:
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都为1,确定所述存储的多个特征参数中支持度最大的特征参数所对应的目标对象为所述第一特征参数所属的对象。
可选的,所述处理器还用于:
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都小于1,确定所述存储的多个特征参数中置信度最大的特征参数所对应的目标对象为所述第一特征参数所属的对象。
可选的,所述处理器还用于:
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中的第二特征参数的置信度为1,确定所述第二特征参数所对应的目标对象为所述第一特征参数所属的对象;其中,所述存储的多个特征参数中除所述第二特征参数之外其他的每个特征参数的置信度均小于1。
可选的,所述处理器还用于:
在根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率之前,建立贝叶斯网络模型;其中,所述贝叶斯网络模型的父节点代表所述至少一个目标对象的属性,所述贝叶斯网络模型的子节点代表待识别的特征参数;
所述处理器用于根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率,包括:根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个目标对象的所述至少一个实际概率。
可选的,所述处理器还用于:
在建立贝叶斯网络模型之后,根据所述贝叶斯网络模型获取所述第一特征参数在预设的持续时长的转移概率;所述转移概率用于指示所述第一特征参数所属的对象发生改变的概率;
所述处理器用于根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率,包括:根据所述第一特征参数属于至少一个目标对象的至少一个条件概率、所述至少一个目标对象的先验概率及所述转移概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个目标对象的所述至少一个实际概率。
可选的,所述处理器还用于:
在确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象之后,判断待识别的第三特征参数的第一信息是否与所述第一特征参数的第一信息一致;所述第一信息用于指示特征参数所对应的属性;
若所述第三特征参数的第一信息与所述第一特征参数的第一信息一致,则确定所述第一特征参数所属的对象为所述第三特征参数所属的对象。
可选的,所述处理器还用于:
在确定所述第一特征参数所属的对象为所述第三特征参数所属的对象之前,确定所述第一特征参数所属的对象为第一对象的置信度是否为1;
所述处理器用于确定所述第一特征参数所属的对象为所述第三特征参数所属的对象,包括:若所述第一特征参数所属的对象为所述第一对象的置信度为1,则确定所述第一对象为所述第三特征参数所属的对象。第三方面,提供另一种目标识别设备,包括:
比较模块,用于将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;
第一确定模块,用于若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率;
第二确定模块,用于确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象。
本发明实施例提供的目标识别方法,将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度,根据多个相似度可以判断多个特征参数对应的目标属性,识别出多个特征参数属于哪个目标对象。如果最大的相似度小于预设的第一阈值,那么有可能没识别出来或识别不准确,可以继续进一步进行识别,提高了识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中目标识别方法的流程图;
图2为本发明实施例中贝叶斯网络模型的一种示意图;
图3为本发明实施例中目标识别设备的一种结构示意图;
图4为本发明实施例中目标识别设备的一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
请参见图1,提供一种目标识别方法,该方法的流程描述如下。
步骤101:将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;其中每个相似度用于指示第一特征参数与存储的一个特征参数之间的相似程度;
步骤102:若多个相似度中最大的相似度小于预设的第一阈值,根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率;
步骤103:确定至少一个实际概率中最大的实际概率所对应的目标对象为第一特征参数所属的对象。
特征参数可以用于表征目标的属性,例如同样是质量这个属性,不同的目标的质量不同,从而不同的目标用于表示质量的特征参数就不同。可以在目标对象上设置多个传感器,不同的传感器可以采集目标对象的不同参数,从而可以获得目标对象的不同的特征参数。特征参数可以包括目标机弦号参数、载体平台编号参数、载体平台经度参数、载体平台纬度参数、目标方位参数、目标俯仰参数、目标经度参数、目标纬度参数、目标高度参数、目标速度参数、目标航向参数、目标载频参数、及目标脉宽参数中的至少一种,当然还可能包括其他的特征参数。其中,目标机弦号可以是指对于目标对象的编号,例如对于同类型的目标对象可以分别编号,或者不同类型的目标对象也可以总体进行编号,载体平台可以是设置传感器的平台,载体平台上的传感器用于接收或探测目标对象上传感器的信息。本发明实施例中,待识别的特征参数可以有多个,第一特征参数可以是待识别的特征参数中的任意特征参数。
本发明实施例提供的目标识别的过程就是将待识别的特征参数与已知目标的特征参数进行比较,根据比较结果判断待识别的特征参数属于哪个目标对象。本发明实施例中,将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度,可以根据相似度的高低判断第一特征参数是否属于存储的一个特征参数对应的目标对象,相似度越高,第一特征参数属于存储的一个特征参数对应的目标对象的可能性越大。本发明实施例中,两个特征参数的相似度可以用两个特征参数的差值表示,差值越小则相似度越高,或者两个特征参数的相似度也可以用两个特征参数的比值表示,比值越大则相似度越高。
本发明实施例中,在将待识别的第一特征参数与存储的多个特征参数进行比较之前,可以先获取并存储多个特征参数。存储的多个特征参数可以理解为先验知识,一个特征参数可以理解为一条先验知识,每条先验知识可以对应一个属性,在存储多个特征参数时,可以视为该特征参数所对应的属性和该属性所属的对象均已知,那么,如果一个特征参数与存储的多个特征参数中的任意特征参数的相似度较高,例如高于第一阈值,那么可以基本认为该特征参数所属的目标对象就是与该特征参数相似度高于第一阈值的特征参数所属的对象。
本发明实施例中,在获取先验知识的过程中,可以同步获取每条先验知识的支持度和置信度。支持度可以表示特征参数在目标对象的重要程度,置信度可以表示特征参数属于目标对象的可能性。在获取先验知识的过程中,还可以获取一个特征参数属于一个目标对象的概率,也可以称为先验概率,比如,识别空中辐射源目标类型,当特征参数为辐射特征参数(脉宽、工作频率)时,经过分析得到脉宽窄时,为民用机的概率是70%,为歼击机的概率是30%等。在这个过程中,也可以结合经验获取一个特征参数属于一个目标对象的条件概率,比如,识别空中辐射源目标类型,可以对目标雷达的辐射特征参数(脉宽、工作频率)测量,根据辐射源特征,相同条件下,如果目标为歼击机,则脉宽为宽、中等、窄的概率分别为10%、50%、40%;如果目标为民用机,则概率分别为10%、20%、70%。
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,可以确定多个相似度中最大的相似度是否大于等于第一阈值,以确定第一特征参数属于哪个目标对象。其中,第一阈值可以根据经验设置,比如可以设置为95%,或者也可以设置为98%等,以第一阈值为98%为例,在将待识别的第一特征参数与存储的多个特征参数进行比较后,如果得到的多个相似度中最大的相似度为90%,小于第一阈值,那么可能无法通过先验知识来确定该特征参数所属的对象,而如果得到的多个相似度最大的相似度为99%,大于第一阈值,那么可以结合先验知识来确定该特征参数所属的目标对象。
如果得到的多个相似度中最大的相似度大于等于第一阈值,关于结合先验知识来确定该特征参数所属的目标对象可能有几种不同的方式,下面分别介绍。
方式一:如果多个相似度中最大的相似度大于等于第一阈值,且存储的多个特征参数中每个特征参数的置信度都为1,那么可以确定存储的多个特征参数中支持度最大的特征参数所对应的目标对象为第一特征参数所属的对象。若存储的多个特征参数中每个特征参数的置信度都为1,那么每个特征参数属于目标对象的可能性都一样大。此时,可以通过支持度,即特征参数在目标对象中的重要程度来判断第一特征参数所属的对象。由于支持度越大,特征参数属于目标对象的可能性越大,因此,可以确定存储的多个特征参数中支持度最大的特征参数所对应的目标对象为第一特征参数所属的对象。
方式二:如果多个相似度中最大的相似度大于等于第一阈值,且存储的多个特征参数中每个特征参数的置信度都小于1,确定存储的多个特征参数中置信度最大的特征参数所对应的目标对象为第一特征参数所属的对象。若存储的多个特征参数中每个特征参数的置信度都小于1,那么待识别的特征参数所属的对象为存储的特征参数所对应的目标对象的可能性都较小,此时,可以选择存储的多个特征参数中置信度最大,即可能性最大的特征参数所对应的目标对象为第一特征参数所属的对象。
方式三:如果多个相似度中最大的相似度大于等于第一阈值,且存储的多个特征参数中的第二特征参数的置信度为1,确定第二特征参数所对应的目标对象为第一特征参数所属的对象,其中,存储的多个特征参数中除第二特征参数之外其他的每个特征参数的置信度均小于1。如果存储的多个特征参数中第二特征参数的置信度为1,且除第二特征参数之外其他的每个特征参数的置信度均小于1,那么第二特征参数属于目标对象的可能性最大。此时,可以确定存储的第二特征参数所对应的目标对象为第一特征参数所属的对象。
前面介绍的三种方式都是得到的多个相似度中最大的相似度大于等于第一阈值的情况,而如果得到的多个相似度中最大的相似度小于第一阈值,则通过先验知识来确定第一特征参数所属的对象可能会不够准确,鉴于此,本发明实施例引入新的方式,下面进行介绍。
如果得到的多个相似度中最大的相似度小于第一阈值,则可以通过建立贝叶斯网络模型来继续判断第一特征参数属于哪个对象。贝叶斯网络模型的父节点可以代表至少一个目标对象的属性,每个父节点可以代表一个属性。贝叶斯网络模型的子节点可以代表待识别的特征参数,每个子节点可以代表一个待识别的特征参数,例如可以包括速度参数、方位参数、脉宽参数、或频率参数等。贝叶斯网络模型的父节点和子节点的数量可以根据实际需要设置。
由于不同时刻的特征参数的值可能发生变化或缺失,因此本发明实施例提供的贝叶斯网络模型可以考虑时间对特征参数的影响,可以理解为该贝叶斯网络模型是转移网络模型,如图2所示。贝叶斯网络模型的不同节点可以代表不同的时刻,其中t时刻可以是前一次识别的时刻,父节点1和子节点1对应t时刻,t+1时刻可以是后一次识别的时刻,父节点2和子节点2对应t+1时刻,子节点1和子节点2代表同一属性的特征参数,则根据该贝叶斯网络模型可以得到该特征参数在t时刻和t+1时刻过程中的转移概率,转移概率可以用于表征一个特征参数所属的对象发生改变的概率。
在本发明的一个实施例中,可以根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,通过贝叶斯网络模型确定第一特征参数属于至少一个目标对象的至少一个实际概率。贝叶斯网络模型可以对特征参数进行学习,不断更新各个特征参数的先验概率和条件概率,还可以获取第一特征参数在预设的持续时长的转移概率。
在一种实施方式下,可以根据如下公式计算第一特征参数属于一个目标对象的实际概率:
公式(1)中,P(θ[0],θ[1]…,θ[t]|e[0],e[1],…,e[t])用于表示第一特征参数属于一个目标对象的实际概率,θ[t]用于表示t时刻的目标属性,e[t]用于表示t时刻的第一特征参数的值,P(θ[i])用于表示i时刻的目标属性在所有目标属性中的先验概率,P(ej[i]|θ[i])用于表示i时刻第一特征参数的值属于i时刻的目标属性条件概率,P(θ[i]|θ[i-1])用于表示第一特征参数所属的目标对象在i时刻和i-1时刻过程中的转移概率,其中i∈[1,...t],目标属性可以用于表征目标对象。
以第一特征参数是速度参数为例,假设通过速度参数的不同取值,判断第一特征参数属于哪个目标对象,假设第一特征参数为速度参数,t=1,且t=0时刻,通过根据多个相似度判断得出第一特征参数属于空中目标。例如目标分别为陆地目标、海面目标、空中目标,那么目标属性的先验概率如表1所示。第一特征参数的值如速度的值在t=1时刻属于一个目标属性的条件概率如表2所示。第一特征参数所属的目标对象在t=0时刻和t=1时刻过程中的转移概率,如表3所示。
表1
表2
表3
表1中,p(θ1),p(θ2),p(θ3)分别表示目标分别为陆地目标、海面目标、空中目标的概率,当第一特征参数即速度在t=1时刻的值∈(c,d]时,将先验概率、条件概率、转移概率带入公式(1)可以计算出t=1时刻第一特征参数对应于不同目标对象的实际概率,如可以计算出p(θ1(1))=3.2078e-008、p(θ2(1))=9.2386e-006、p(θ3(1))=1.0000。得到第一特征参数对应的目标对象的实际概率之后,可以确定得到的实际概率中最大的实际概率所对应的目标对象为第一特征参数所属的对象,如p(θ3(1))的概率最大,可确定t=1时刻第一特征参数所属的对象为空中目标对象,至此,对第一特征参数的识别过程结束。另外,可以保存第一特征参数识别结果,以作为后续识别过程的参考。
在对第一特征参数识别结束后,可能还需识别其他的特征参数,以继续识别第三特征参数为例。在需识别第三特征参数时,因为之前已经有已识别的特征参数,例如第一特征参数,因此可以结合历史数据,即结合已识别的特征参数来识别新的特征参数,以提高识别效率。
在需识别第三特征参数时,可以判断待识别的第三特征参数的第一信息是否与第一特征参数的第一信息一致,以确定第三特征参数所属的对象是否就是第一特征参数所属的对象。第一信息可以指示特征参数所对应的属性,如可以是陆地目标、海面目标、空中目标。
在一种实施方式中,若第三特征参数的第一信息与第一特征参数的第一信息一致,且此时第一特征参数所属的对象为第一对象的置信度为1,也就是第一特征参数属于第一对象的可能性较大,则可以确定第一对象为第三特征参数所属的对象。
在一种实施方式中,若第三特征参数的第一信息与第一特征参数的第一信息一致,但第一特征参数所属的对象为第一对象的置信度不是1,或第三特征参数所对应的第一信息与第一特征参数所对应的第一信息不一致,则需要重新识别第三特征参数属于哪个目标对象,可以按照前述对第一特征参数的识别过程进行识别,不多赘述。例如识别确定第三特征参数属于第二对象,则确定之前是否已存储了第二对象,即存储的特征参数中是否有特征参数属于第二对象,若没有,则存储属于第二对象的第三特征参数。
可选的,可以根据历史数据纠正或改善当前识别结果,比如,针对1号目标,前100次类型识别结果都是空中目标,且置信度达到预设阈值,而当前识别结果是海面目标,那么根据历史结果库,需要将海面目标纠正为空中目标。
下面结合附图介绍本发明实施例所提供的设备。
请参见图3,基于同一发明构思,本发明实施例提供一种目标识别设备,该目标识别设备可以包括存储器301和处理器302。存储器301可以通过总线300与处理器302相连接(图3以此为例),或者也可以通过专门的连接线与处理器302连接。
存储器301用于存储指令,处理器302用于调用所述存储器存储的指令,将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;若多个相似度中最大的相似度小于预设的第一阈值,根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率;确定至少一个实际概率中最大的实际概率所对应的目标对象为第一特征参数所属的对象;其中,每个相似度用于指示第一特征参数与存储的一个特征参数之间的相似程度。
可选的,处理器302还可以用于:
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若多个相似度中最大的相似度大于等于第一阈值,且存储的多个特征参数中每个特征参数的置信度都为1,确定存储的多个特征参数中支持度最大的特征参数所对应的目标对象为第一特征参数所属的对象。
可选的,处理器302还可以用于:
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若多个相似度中最大的相似度大于等于第一阈值,且存储的多个特征参数中每个特征参数的置信度都小于1,确定存储的多个特征参数中置信度最大的特征参数所对应的目标对象为第一特征参数所属的对象。
可选的,处理器302还可以用于:
在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若多个相似度中最大的相似度大于等于第一阈值,且存储的多个特征参数中的第二特征参数的置信度为1,确定第二特征参数所对应的目标对象为第一特征参数所属的对象;其中,存储的多个特征参数中除第二特征参数之外其他的每个特征参数的置信度均小于1。
可选的,
处理器302还可以用于:在根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率之前,建立贝叶斯网络模型;其中,贝叶斯网络模型的父节点代表至少一个目标对象的属性,贝叶斯网络模型的子节点代表待识别的特征参数;
处理器302可以用于根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率,包括:根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,通过贝叶斯网络模型确定第一特征参数属于所述至少一个目标对象的至少一个实际概率。
可选的,
处理器302还可以用于:在建立贝叶斯网络模型之后,根据贝叶斯网络模型获取第一特征参数在预设的持续时长的转移概率;转移概率用于指示第一特征参数所属的对象发生改变的概率;
处理器302可以用于根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率,包括:根据第一特征参数属于至少一个目标对象的至少一个条件概率、至少一个目标对象的先验概率及转移概率,通过贝叶斯网络模型确定第一特征参数属于至少一个目标对象的至少一个实际概率。
可选的,处理器302还可以用于:
在确定至少一个实际概率中最大的实际概率所对应的目标对象为第一特征参数所属的对象之后,判断待识别的第三特征参数的第一信息是否与第一特征参数的第一信息一致;第一信息用于指示特征参数所对应的属性;
若第三特征参数的第一信息与第一特征参数的第一信息一致,则确定第一特征参数所属的对象为第三特征参数所属的对象。
可选的,
处理器302还可以用于:在确定第一特征参数所属的对象为第三特征参数所属的对象之前,确定第一特征参数所属的对象为第一对象的置信度是否为1;
处理器302可以用于确定第一特征参数所属的对象为第三特征参数所属的对象,包括:若第一特征参数所属的对象为第一对象的置信度为1,则确定第一对象为第三特征参数所属的对象。
如图4所示,基于同一发明构思,本发明实施例还提供一种目标识别设备,该目标识别设备与图3所示的目标识别设备可以是同一目标识别设备,包括比较模块401、第一确定模块402和第二确定模块403。
比较模块401可以用于将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;
第一确定模块402可以用于若多个相似度中最大的相似度小于预设的第一阈值,根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率;
第二确定模块403可以用于确定至少一个实际概率中最大的实际概率所对应的目标对象为第一特征参数所属的对象。
可选的,本发明实施例中,第一确定模块402还可以用于在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若多个相似度中最大的相似度大于等于所述第一阈值,且存储的多个特征参数中每个特征参数的置信度都为1,确定存储的多个特征参数中支持度最大的特征参数所对应的目标对象为第一特征参数所属的对象。
可选的,本发明实施例中,第一确定模块402还可以用于在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若多个相似度中最大的相似度大于等于所述第一阈值,且存储的多个特征参数中每个特征参数的置信度都小于1,确定存储的多个特征参数中置信度最大的特征参数所对应的目标对象为第一特征参数所属的对象。
可选的,本发明实施例中,第一确定模块402还可以用于在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后,若多个相似度中最大的相似度大于等于所述第一阈值,且存储的多个特征参数中的第二特征参数的置信度为1,确定第二特征参数所对应的目标对象为第一特征参数所属的对象;其中,存储的多个特征参数中除第二特征参数之外其他的每个特征参数的置信度均小于1。
可选的,本发明实施例中,目标识别设备还包括:
建立模块,可以用于在根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,确定第一特征参数属于至少一个目标对象的至少一个实际概率之前,建立贝叶斯网络模型;其中,贝叶斯网络模型的父节点代表至少一个目标对象的属性,贝叶斯网络模型的子节点代表待识别的特征参数;
第一确定模块402还可以用于根据第一特征参数属于至少一个目标对象的至少一个条件概率及至少一个目标对象的先验概率,通过贝叶斯网络模型确定第一特征参数属于至少一个目标对象的至少一个实际概率。
可选的,本发明实施例中,目标识别设备还包括:
获取模块,可以用于在建立贝叶斯网络模型之后,根据贝叶斯网络模型获取第一特征参数在预设的持续时长的转移概率;转移概率用于指示第一特征参数所属的对象发生改变的概率;
第一确定模块402还可以用于根据第一特征参数属于至少一个目标对象的至少一个条件概率、至少一个目标对象的先验概率及转移概率,通过贝叶斯网络模型确定第一特征参数属于至少一个目标对象的至少一个实际概率。
可选的,本发明实施例中,目标识别设备还包括:
判断模块,可以用于在确定至少一个实际概率中最大的实际概率所对应的目标对象为第一特征参数所属的对象之后,判断待识别的第三特征参数的第一信息是否与第一特征参数的第一信息一致;第一信息用于指示特征参数所对应的属性;
第三确定模块,可以用于若第三特征参数的第一信息与第一特征参数的第一信息一致,则确定第一特征参数所属的对象为第三特征参数所属的对象。
可选的,本发明实施例中,目标识别设备还包括:
第四确定模块,可以用于在确定第一特征参数所属的对象为第三特征参数所属的对象之前,确定第一特征参数所属的对象为第一对象的置信度是否为1;
第三确定模块还可以用于若第一特征参数所属的对象为第一对象的置信度为1,则确定第一对象为第三特征参数所属的对象。
该目标识别设备可以用于执行上述图1-图2实施例中所述的目标识别方法,因此,对于该目标识别设备中的各模块所实现的功能等,可参考如前述方法部分的描述,不多赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:通用串行总线闪存驱动器(Universal Serial Bus flash drive,USB flash drive)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲,本申请实施例中的目标识别方法对应的计算机程序指令可以被存储在光盘,硬盘,U盘等存储介质上,当存储介质中的与目标识别方法对应的计算机程序指令被一目标识别设备读取或被执行时,包括如下步骤:
将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;
若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率;
确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后被执行,在被执行时包括如下步骤:
若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都为1,确定所述存储的多个特征参数中支持度最大的特征参数所对应的目标对象为所述第一特征参数所属的对象。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后被执行,在被执行时包括如下步骤:
若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都小于1,确定所述存储的多个特征参数中置信度最大的特征参数所对应的目标对象为所述第一特征参数所属的对象。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在将待识别的第一特征参数与存储的多个特征参数进行比较,获得多个相似度之后被执行,在被执行时包括如下步骤:
若所述多个相似度中最大的相似度大于等于所述第一阈值,且所述存储的多个特征参数中的第二特征参数的置信度为1,确定所述第二特征参数所对应的目标对象为所述第一特征参数所属的对象;其中,所述存储的多个特征参数中除所述第二特征参数之外其他的每个特征参数的置信度均小于1。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率之前被执行,在被执行时包括如下步骤:
建立贝叶斯网络模型;其中,所述贝叶斯网络模型的父节点代表所述至少一个目标对象的属性,所述贝叶斯网络模型的子节点代表待识别的特征参数;
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率,包括:
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个目标对象的所述至少一个实际概率。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在建立贝叶斯网络模型之后被执行,在被执行时包括如下步骤:
根据所述贝叶斯网络模型获取所述第一特征参数在预设的持续时长的转移概率;所述转移概率用于指示所述第一特征参数所属的对象发生改变的概率;
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率及所述至少一个目标对象的先验概率,确定所述第一特征参数属于所述至少一个目标对象的至少一个实际概率,包括:
根据所述第一特征参数属于至少一个目标对象的至少一个条件概率、所述至少一个目标对象的先验概率及所述转移概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个目标对象的所述至少一个实际概率。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在确定所述至少一个实际概率中最大的实际概率所对应的目标对象为所述第一特征参数所属的对象之后被执行,在被执行时包括如下步骤:
判断待识别的第三特征参数的第一信息是否与所述第一特征参数的第一信息一致;所述第一信息用于指示特征参数所对应的属性;
若所述第三特征参数的第一信息与所述第一特征参数的第一信息一致,则确定所述第一特征参数所属的对象为所述第三特征参数所属的对象。
可选的,所述存储介质中还存储有另外一些计算机指令,这些计算机指令在步骤:在确定所述第一特征参数所属的对象为所述第三特征参数所属的对象之前被执行,在被执行时包括如下步骤:
确定所述第一特征参数所属的对象为第一对象的置信度是否为1;
确定所述第一特征参数所属的对象为所述第三特征参数所属的对象,包括:
若所述第一特征参数所属的对象为所述第一对象的置信度为1,则确定所述第一对象为所述第三特征参数所属的对象。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种目标识别方法,包括:
将目标待识别的第一特征参数与存储的多个已知对象的特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;
若所述多个相似度中最大的相似度大于或等于预设的第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都为1,确定所述第一特征参数所属的对象为所述多个特征参数中支持度最大的特征参数所属的对象,所述支持度用于表征特征参数在对象中的重要程度;或若所述多个相似度中最大的相似度大于或等于预设的第一阈值,且所述存储的多个特征参数中至多一个特征参数的置信度等于1,确定所述第一特征参数所属的对象为所述多个特征参数中置信度最大的特征参数所属的对象;
若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率;确定所述至少一个实际概率中最大的实际概率所对应的对象为所述第一特征参数所属的对象。
2.如权利要求1所述的方法,其特征在于,
在根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率之前,还包括:
建立贝叶斯网络模型;其中,所述贝叶斯网络模型的父节点代表所述至少一个对象的属性,所述贝叶斯网络模型的子节点代表待识别的特征参数,所述第一特征参数为所述贝叶斯网络模型中任一子节点所对应的待识别的特征参数;
根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率,包括:
根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个对象的所述至少一个实际概率。
3.如权利要求2所述的方法,其特征在于,
在建立贝叶斯网络模型之后,还包括:
根据所述贝叶斯网络模型获取所述第一特征参数在预设的持续时长的转移概率;所述转移概率用于指示所述第一特征参数所属的对象发生改变的概率;
根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率,包括:
根据所述第一特征参数属于至少一个对象的至少一个条件概率、所述至少一个对象的先验概率及所述转移概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个对象的所述至少一个实际概率。
4.如权利要求1-3任一所述的方法,其特征在于,在确定所述至少一个实际概率中最大的实际概率所对应的对象为所述第一特征参数所属的对象之后,还包括:
判断待识别的第三特征参数的第一信息是否与所述第一特征参数的第一信息一致;所述第一信息用于指示特征参数所对应的属性;
若所述第三特征参数的第一信息与所述第一特征参数的第一信息一致,则确定所述第一特征参数所属的对象为所述第三特征参数所属的对象。
5.如权利要求4所述的方法,其特征在于,
在确定所述第一特征参数所属的对象为所述第三特征参数所属的对象之前,还包括:
确定所述第一特征参数所属的对象为第一对象的置信度是否为1;
确定所述第一特征参数所属的对象为所述第三特征参数所属的对象,包括:
若所述第一特征参数所属的对象为所述第一对象的置信度为1,则确定所述第一对象为所述第三特征参数所属的对象。
6.一种目标识别设备,包括:
存储器,用于存储指令;
处理器,用于调用所述存储器存储的指令,将目标待识别的第一特征参数与存储的多个已知对象的特征参数进行比较,获得多个相似度;若所述多个相似度中最大的相似度大于或等于预设的第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都为1,确定所述第一特征参数所属的对象为所述多个特征参数中支持度最大的特征参数所属的对象,所述支持度用于表征特征参数在对象中的重要程度;或若所述多个相似度中最大的相似度大于或等于预设的第一阈值,且所述存储的多个特征参数中至多一个特征参数的置信度等于1,确定所述第一特征参数所属的对象为所述多个特征参数中置信度最大的特征参数所属的对象;
若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率;确定所述至少一个实际概率中最大的实际概率所对应的对象为所述第一特征参数所属的对象;其中,每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度。
7.如权利要求6所述的目标识别设备,其特征在于,
所述处理器还用于:在根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率之前,建立贝叶斯网络模型;其中,所述贝叶斯网络模型的父节点代表所述至少一个对象的属性,所述贝叶斯网络模型的子节点代表待识别的特征参数,所述第一特征参数为所述贝叶斯网络模型中任一子节点所对应的待识别的特征参数;
所述处理器用于根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率,包括:根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个对象的所述至少一个实际概率。
8.如权利要求7所述的目标识别设备,其特征在于,
所述处理器还用于:在建立贝叶斯网络模型之后,根据所述贝叶斯网络模型获取所述第一特征参数在预设的持续时长的转移概率;所述转移概率用于指示所述第一特征参数所属的对象发生改变的概率;
所述处理器用于根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率,包括:根据所述第一特征参数属于至少一个对象的至少一个条件概率、所述至少一个对象的先验概率及所述转移概率,通过所述贝叶斯网络模型确定所述第一特征参数属于所述至少一个对象的所述至少一个实际概率。
9.如权利要求6-8任一所述的目标识别设备,其特征在于,所述处理器还用于:
在确定所述至少一个实际概率中最大的实际概率所对应的对象为所述第一特征参数所属的对象之后,判断待识别的第三特征参数的第一信息是否与所述第一特征参数的第一信息一致;所述第一信息用于指示特征参数所对应的属性;
若所述第三特征参数的第一信息与所述第一特征参数的第一信息一致,则确定所述第一特征参数所属的对象为所述第三特征参数所属的对象。
10.如权利要求9所述的目标识别设备,其特征在于,
所述处理器还用于:在确定所述第一特征参数所属的对象为所述第三特征参数所属的对象之前,确定所述第一特征参数所属的对象为第一对象的置信度是否为1;
所述处理器用于确定所述第一特征参数所属的对象为所述第三特征参数所属的对象,包括:若所述第一特征参数所属的对象为所述第一对象的置信度为1,则确定所述第一对象为所述第三特征参数所属的对象。
11.一种目标识别设备,包括:
比较模块,用于将目标待识别的第一特征参数与存储的多个已知对象的特征参数进行比较,获得多个相似度;其中每个相似度用于指示所述第一特征参数与存储的一个特征参数之间的相似程度;
第一确定模块,用于若所述多个相似度中最大的相似度大于或等于预设的第一阈值,且所述存储的多个特征参数中每个特征参数的置信度都为1,确定所述第一特征参数所属的对象为所述多个特征参数中支持度最大的特征参数所属的对象,所述支持度用于表征特征参数在对象中的重要程度;或若所述多个相似度中最大的相似度大于或等于预设的第一阈值,且所述存储的多个特征参数中至多一个特征参数的置信度等于1,确定所述第一特征参数所属的对象为所述多个特征参数中置信度最大的特征参数所属的对象;
第二确定模块,用于若所述多个相似度中最大的相似度小于预设的第一阈值,根据所述第一特征参数属于至少一个对象的至少一个条件概率及所述至少一个对象的先验概率,确定所述第一特征参数属于所述至少一个对象的至少一个实际概率;
第三确定模块,用于确定所述至少一个实际概率中最大的实际概率所对应的对象为所述第一特征参数所属的对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610716277.3A CN106326928B (zh) | 2016-08-24 | 2016-08-24 | 一种目标识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610716277.3A CN106326928B (zh) | 2016-08-24 | 2016-08-24 | 一种目标识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106326928A CN106326928A (zh) | 2017-01-11 |
CN106326928B true CN106326928B (zh) | 2020-01-07 |
Family
ID=57791150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610716277.3A Active CN106326928B (zh) | 2016-08-24 | 2016-08-24 | 一种目标识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326928B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051814A1 (zh) * | 2017-09-15 | 2019-03-21 | 达闼科技(北京)有限公司 | 一种目标识别方法、装置和智能终端 |
CN107908666A (zh) * | 2017-10-23 | 2018-04-13 | 北京京东尚科信息技术有限公司 | 一种识别设备标识的方法和装置 |
CN110390224B (zh) * | 2018-04-16 | 2021-06-25 | 阿里巴巴(中国)有限公司 | 一种交通指示牌的识别方法及装置 |
CN109033543B (zh) * | 2018-06-29 | 2020-06-30 | 北京师范大学 | 一种地表异质区植被覆盖度估算方法、装置及设备 |
CN110110765B (zh) * | 2019-04-23 | 2022-03-08 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的多源数据融合目标识别方法 |
CN110426695B (zh) * | 2019-07-20 | 2023-05-30 | 中国船舶集团有限公司第七二四研究所 | 一种基于雷达识别数据库特征曲线拟合的目标分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008127708A3 (en) * | 2007-04-12 | 2008-12-11 | Cognika Corp | Apparatus and method for learning and reasoning for systems with temporal and non-temporal variables |
CN101493889A (zh) * | 2008-01-23 | 2009-07-29 | 华为技术有限公司 | 对视频对象进行跟踪的方法及装置 |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
CN103810266A (zh) * | 2014-01-27 | 2014-05-21 | 中国电子科技集团公司第十研究所 | 语义网络目标识别判证方法 |
CN105652269A (zh) * | 2016-01-05 | 2016-06-08 | 四川九洲电器集团有限责任公司 | 融合有敌我属性识别的雷达系统 |
-
2016
- 2016-08-24 CN CN201610716277.3A patent/CN106326928B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008127708A3 (en) * | 2007-04-12 | 2008-12-11 | Cognika Corp | Apparatus and method for learning and reasoning for systems with temporal and non-temporal variables |
CN101493889A (zh) * | 2008-01-23 | 2009-07-29 | 华为技术有限公司 | 对视频对象进行跟踪的方法及装置 |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
CN103810266A (zh) * | 2014-01-27 | 2014-05-21 | 中国电子科技集团公司第十研究所 | 语义网络目标识别判证方法 |
CN105652269A (zh) * | 2016-01-05 | 2016-06-08 | 四川九洲电器集团有限责任公司 | 融合有敌我属性识别的雷达系统 |
Non-Patent Citations (1)
Title |
---|
基于离散动态贝叶斯网络的辐射源目标识别研究;唐政 等;《系统仿真学报》;20090131;第21卷(第1期);第117-125页及图2、表1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN106326928A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326928B (zh) | 一种目标识别方法及设备 | |
CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
US20200097709A1 (en) | Classification model training method, server, and storage medium | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
EP3142072A1 (en) | Object detection device, object detection method, and object detection system | |
US11599825B2 (en) | Method and apparatus for training trajectory classification model, and electronic device | |
EP3136270A1 (en) | Raw material identification using spectroscopy | |
CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
EP3864569A1 (en) | Method, apparatus and computer readable media for object detection | |
CN110580483A (zh) | 一种室内外用户区分方法及装置 | |
CN112036269A (zh) | 跌倒检测方法、装置、计算机设备和存储介质 | |
CN111812670A (zh) | 一种单光子激光雷达空间变换噪声判断、滤波方法及装置 | |
CN116630888A (zh) | 无人机监测方法、无人机监测装置、电子设备及存储介质 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN108133234B (zh) | 基于稀疏子集选择算法的社区检测方法、装置及设备 | |
CN112699908B (zh) | 标注图片的方法、电子终端、计算机可读存储介质及设备 | |
CN110378388B (zh) | 飞行物识别方法、装置、计算机可读存储介质及终端设备 | |
CN111413681B (zh) | 基于熵权法的飞行目标威胁度识别方法、系统和存储介质 | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
CN111435451B (zh) | 确定图片类别的方法、装置、服务器和存储介质 | |
CN111984812A (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
CN114972807B (zh) | 图像识别准确率的确定方法、装置、电子设备和介质 | |
CN117392631B (zh) | 一种道路边界提取方法、装置、电子设备及存储介质 | |
CN114676767A (zh) | 一种模型得分确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |